tensorflow模型导出与OpenCV DNN中使用

星标或者置顶【OpenCV学堂】

干货文章与技术教程第一时间送达

OpenCV DNN模块

Deep Neural Network - DNN 是OpenCV中的深度神经网络模块，支持基于深度学习模块前馈网络运行、实现图像与视频场景中的

图像分类

对象检测

图像分割

其模型导入与加载的相关API支持以下深度学习框架

tensorflow - readNetFromTensorflow

caffe - readNetFromCaffe

pytorch - readNetFromTorch

darknet - readNetFromDarknet

OpenCV3.4.1以上版本支持tensorflow1.11版本以上的对象检测框架(object detetion)模型导出使用，当前支持的模型包括以下：

也就是说通过tensorflow object detection API框架进行迁移学习训练模型，导出预测图之后，可以通过OpenCV3.4.1以上版本提供几个python脚本导出graph配置文件，然后就可以在OpenCV DNN模块中使用tensorflow相关的模型了。感觉十分方便，下面就按照操作走一波！

使用tensorflow模型

根据tensorflow中迁移学习或者下载预训练模型不同，OpenCV DNN 模块提供如下可以使用脚本生成对应的模型配置文件

tf_text_graph_ssd.py

tf_text_graph_faster_rcnn.py

tf_text_graph_mask_rcnn.py

这是因为，OpenCV DNN需要根据text版本的模型描述文件来解析tensorflow的pb文件，实现网络模型加载。 对SSD对象检测模型，生成模型描述文件运行以下命令行即可(在一行执行)：

python tf_text_graph_ssd.py

--input /path/to/model.pb

--config /path/to/example.config

--output /path/to/graph.pbtxt

以MobileNet-SSD v2版本为例，首先下载该模型，解压缩以后会发现里面有一个frozen_inference_graph.pb文件，使用tensorflow加载预测图进行预测的代码如下：

运行结果如下：

基于frozen_inference_graph.pb生成graph.pbtxt模型配置文件，命令行运行截图如下：

使用OpenCV DNN模块加载tensorflow模型(frozen_inference_graph.pb与graph.pbtxt)，实现预测图使用的代码如下(注意此时不需要依赖tensorflow)：

运行结果如下(跟tensorflow中的运行结果完全一致，OpenCV DNN果然靠谱)：

OpenCV DNN 行人检测

本人尝试了基于tensorflow object detection API使用MobileNet-SSD v2迁移学习实现自定义数据集训练，导出预测图之后，使用OpenCV DNN模块的python脚本生成对象的图配置文件graph.pbtxt，通过OpenCV加载模型使用，实时预测，最后上一张运行结果图：

OpenCV DNN调用代码如下

一勤天下无难事

百思胸中有良谋

欢迎扫码加入【OpenCV研习社】